如果你用过 Claude Code，一定会被它的"深度"震撼——不是简单的工具调用循环，而是一个真正能规划、能思考、能拆解任务的 Agent。问题是，Claude Code 不开源，你没法自定义，也没法嵌入自己的产品。

LangChain 团队也看到了这个痛点。他们逆向分析了 Claude Code 的核心设计，把它抽象成了一个通用框架——Deep Agents。更厉害的是，他们让这个框架比 Claude Code 更通用、更灵活、更开放。

我花了两天时间把整个项目源码读了一遍（这是个超过 10 万行的 monorepo），这篇文章是我踩过的坑和总结的精华。

本文提纲

1. Deep Agents 到底是什么
2. 为什么说它是"batteries-included"
3. 3 行代码跑起来的 Quickstart
4. 完整功能清单（30+ 特性）
5. 和 Claude Code 的关系

Deep Agents 到底是什么

一句话：一个开箱即用的 Agent harness，不是框架，是 harness。

框架（framework）给你积木，你自己拼。harness 给你一匹已经套好缰绳的马，你只需要告诉它往哪跑。

看代码就明白了：

from deepagents import create_deep_agent

agent = create_deep_agent()
result = agent.invoke({"messages": [{"role": "user", "content": "研究 LangGraph 并写一份总结"}]})

这三行代码背后，Deep Agents 已经帮你做了：
- 规划任务（write_todos）
- 读写文件（read_file, write_file, edit_file）
- 搜索文件（glob, grep, ls）
- 执行命令（execute）
- 委派子任务（task）
- 自动上下文管理（对话太长时自动摘要）

你不需要手动拼任何东西。

为什么说它是"batteries-included"

"Batteries included"是 Python 社区的老梗——买遥控器自带电池。Deep Agents 把这个理念贯彻到了极致：

内置规划系统

Agent 不再是简单的"用户说 → 调工具 → 返回结果"循环。write_todos 工具让 LLM 能：
- 把大任务拆成小步骤
- 追踪每一步的完成状态
- 动态调整计划

这就是 Deep Research、Manus 这类产品能处理复杂任务的核心秘密。

内置文件系统

所有 intermediate 结果都可以写入文件，而不是堆在上下文窗口里。这意味着：
- 上下文不会因为太长而"变笨"
- Agent 可以自我管理内存
- 大输出自动保存，不浪费 token

内置子代理系统

task 工具让 Agent 可以把子任务委派给独立的子代理：
- 每个子代理有独立的上下文窗口
- 支持同步子代理（SubAgent）和异步子代理（AsyncSubAgent）
- 自动添加一个通用的 general-purpose 子代理

内置上下文管理

对话太长时自动触发摘要中间件，把历史消息压缩，保持 Agent 的"注意力"集中。

3 行代码跑起来的 Quickstart

安装：

pip install deepagents
# 或者
uv add deepagents

自定义（简单）：

from deepagents import create_deep_agent

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[my_custom_tool],
    system_prompt="你是一个研究助手。",
)

自定义（进阶）：

from deepagents import create_deep_agent, SubAgent, MemoryMiddleware
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import MemorySaver

agent = create_deep_agent(
    model=init_chat_model("openai:gpt-4o"),
    tools=[search_tool, calculator_tool],
    system_prompt="你是一个数据分析助手。",
    subagents=[
        SubAgent(
            name="researcher",
            description="搜索和分析研究论文",
            system_prompt="你擅长学术研究。",
            tools=[arxiv_tool],
        )
    ],
    memory=["/memory/AGENTS.md"],
    permissions=[
        FilesystemPermission(path="/data", allow_read=True, allow_write=False),
    ],
    checkpointer=MemorySaver(),
)

完整功能清单（30+ 特性）

我把整个 monorepo 翻了个遍，整理出所有功能：

SDK 核心

CLI 工具

合作伙伴集成

评估系统

和 Claude Code 的关系

项目 README 里写得很直白：

This project was primarily inspired by Claude Code, and initially was largely an attempt to see what made Claude Code general purpose, and make it even more so.

翻译：灵感来自 Claude Code，目标是用开源的方式做得更通用。

核心差异：

Deep Agents 本质上就是把 Claude Code 背后的"为什么好用"抽象成了通用模式——规划工具、文件系统、子代理、详细 prompt——然后让它能在任何模型、任何场景下工作。

这种思路太对了我都想拍大腿。与其做一个更好的 Claude Code，不如让任何人都能用任何模型做出自己的 Claude Code。

作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。

本文首发于 AI人工智能时代，转载请注明出处。